一种基于双分数阶特征分析的智能微电网鲁棒网络攻击诊断单点测量框架-计算机科学-网络攻击诊断-智能微电网-对抗训练.pdf

1

一种基于双分数阶特征分析的智能微电网鲁

棒网络攻击诊断单点测量框架

AuthorNameDepartment

Institution

Email:author@institution.edu

摘要—网络攻击危及智能微电网的安全运行。同时，现有的有限的情况感知能力使得MG容易受到虚假数据注入

诊断方法要么依赖于昂贵的多点仪器，要么依赖在单传感器约束(FDI)、服务拒绝(DoS)和其他欺骗攻击的影响。

下无法成立的严格建模假设。本文提出了一种分数阶记忆增强攻抗攻击控制策略因此受到关注。周等人。[6]提出

本击诊断方案（FO-MADS），仅使用一个VPQ（电压-功率-无

了一种针对FDI和DoS的跨层分布式控制器，而姚等。

译功功率）传感器即可实现低延迟故障定位和网络攻击检测。FO-[7]设计了延迟容忍自适应控制用于孤岛MGs。施等。

中MADS首先通过联合应用Caputo和Grünwald-Letnikov[8]解决了直流MGs中的欺骗问题，沈等人。[9]采用

导数构建双分数阶特征库，从而放大VPQ信号中的微扰动和

1缓慢漂移。然后，一个两阶段的层次分类器确定受影响的逆变器了事件触发的二次控制来减轻攻击条件下的通信负担。

v

0并隔离有故障的IGBT开关，有效缓解了类别不平衡问题。通在此基础上，夏等。[10]展示了针对时延MG的数据驱

9过渐进记忆回放对抗训练（PMR-AT）进一步增强了鲁棒性，动在线增益调度，强调了智能方法的前景。

8

6其攻击感知损失通过在线难例挖掘（OHEM）动态重新加权以并行的努力集中在数据驱动的转换器故障诊断上。

0优先处理最具挑战性的样本。

.机器学习模型将电波形映射到故障标签，而不需要显式

7在包含1个正常类别和24个故障类别的四逆变器微电网测

0试平台上的四种攻击场景中，诊断准确率分别为96.6%（偏移）、的物理模型；代表性技术包括[1]–[4]。然而，它们的准

5

294.0%（噪声）、92.8%（数据替换）和95.7%（重放），而在无攻确性会随着低质量或域外数据而下降。鲁棒的方法如夏

:

v击条件下保持了96.7%的准确率。这些结果确立了FO-MADS和徐提出的能够容忍低质量数据的方法[11]以及[12]、

i作为一种成本效益高且易于部署的解决方案，显著增强了智能微[13]中的可转移模型缓解了这些问题，同时安全的深度

x

r电网的网络物理韧性。

a强化学习已被探索用于分层MG控制[14]。

IndexTerms—分数阶导数，单点测量，网络攻击诊断，智在实际操作中，多个逆变器并行运行，在可能的网

能微电网，分层诊断，对抗训练，在线硬样本挖掘，双定义特络攻击下需要先定位故障逆变器，再识别损坏的开关。

征库。

周等人士。[15]提出了具有网络弹性的分布式控制；邓

等人。[16]引入了轻量级AI分类器用于PWM整流器；

I.介绍

黄和王[17]应用了可滑动三角化方法进行多开关诊断。

微电网中的电力电子转换器必须进行连续监控以智能时间自适应监控[18]和同时检测IGBT/传感器故

确保安全运行。最近的研究提出了抗噪残差网络[1]，混障[19]进一步推进了这一方向。